The Indra Representation Hypothesis for Multimodal Alignment
多模态对齐的Indra表示假说
机构 * Northeastern University（东北大学） ； Adobe Research（Adobe研究院）
AI总结 本文提出Indra表示假说，通过范畴论中的V富化Yoneda嵌入，定义样本间关系轮廓，提升多模态对齐的鲁棒性和一致性。
高校专区
Northeastern University（东北大学）
A Model of Understanding in Deep Learning Systems
深度学习系统中的理解模型
机构 * Northeastern University London（伦敦东北大学）
AI总结 本文提出深度学习系统中系统性理解的模型，指出其虽能实现理解但缺乏科学理解的象征一致性、明确还原性和强统一性。
Brittlebench: Quantifying LLM robustness via prompt sensitivity
Brittlebench: 通过提示敏感性量化大语言模型的鲁棒性
机构 * FAIR at Meta（Meta FAIR） ； EPFL（瑞士联邦理工学院洛桑） ； Northeastern University（东北大学）
AI总结 本文提出Brittlebench框架，通过提示变异量化大语言模型的鲁棒性，揭示模型在真实输入下的性能波动，强调对更鲁棒模型和评估的需求。
Restore-R1: Efficient Image Restoration Agents via Reinforcement Learning with Multimodal LLM Perceptual Feedback
Restore-R1: 通过多模态大语言模型感知反馈的强化学习图像修复代理
机构 * Amazon（亚马逊） ； Northeastern University（东北大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Restore-R1框架，利用强化学习和多模态大语言模型感知反馈，高效解决图像修复问题，无需标注数据即可实现高质量修复。
Mixture-of-Retrieval Experts for Reasoning-Guided Multimodal Knowledge Exploitation
基于推理引导的多模态知识利用的检索专家混合
机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学）
AI总结 本文提出MoRE框架，通过动态选择检索专家提升多模态大语言模型的知识利用效率，实验表明在开放领域问答基准上性能提升超过7%。
When Models Know More Than They Say: Probing Analogical Reasoning in LLMs
当模型知道更多 than 它说：探测类比推理在 LLMs 中
机构 * Cambridge University（剑桥大学） ； Northeastern University（东北大学） ； Athenahealth ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨了LLMs在类比推理任务中的表现，发现探测内部表示比提示性能更优，揭示了任务依赖性和提示机制的局限性。
SecureAFL: Secure Asynchronous Federated Learning
SecureAFL: 安全的异步联邦学习
机构 * University of Louisville（路易斯维尔大学） ； Northeastern University（东北大学） ； National University of Singapore（新加坡国立大学） ； University of North Texas（北德克萨斯大学）
AI总结 本文提出SecureAFL框架，通过检测并丢弃异常更新、估计缺失客户端贡献以及采用坐标中位数聚合技术，提升异步联邦学习的安全性与鲁棒性。
Comments To appear in ACM AsiaCCS 2026
Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation
基于大语言模型的尾项序列推荐融合与对齐增强
机构 * Northeastern University（东北大学） ； Tianjin University（天津大学） ； Singapore University of Technology and Design（新加坡科技设计大学）
AI总结 本文提出FAERec框架，通过自适应门控机制和双层对齐方法提升尾项序列推荐中物品表示的质量，解决协同信号与语义知识融合不足及嵌入空间结构不一致的问题。
Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning
爱我，爱我的标签：重新思考标签在视觉上下文学习中的提示检索中的作用
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
AI总结 本文提出LaPR框架，通过增强标签信息提升视觉上下文学习中提示检索的性能，实验表明其在分割、检测和着色任务中表现优异。
Comments Accepted to CVPR 2026. 10 pages, 5 figures, 3 tables
CAGMamba: Context-Aware Gated Cross-Modal Mamba Network for Multimodal Sentiment Analysis
CAGMamba：基于上下文的门控跨模态Mamba网络用于多模态情感分析
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Xingning Power Supply Bureau, Guangdong Power Grid Co., Ltd.（广东电网有限责任公司兴宁供电局）
AI总结 本文提出CAGMamba网络，通过门控机制实现跨模态信息融合，有效建模上下文依赖和情感演变，实验表明在多模态情感分析任务中表现优异。
Beauty in the Eye of AI: Aligning LLMs and Vision Models with Human Aesthetics in Network Visualization
人工智能之眼中的美感：通过LLMs和视觉模型对网络可视化的人类美学对齐
机构 * Northeastern University（东北大学） ； Bosch AI Research（博世人工智能研究院） ； The Ohio State University（俄亥俄州立大学）
AI总结 本文探讨利用LLMs和视觉模型作为人类判断的代理，通过用户研究收集人类偏好标签，提升网络可视化的人类美学对齐效果。
From Bits to Chips: An LLM-based Hardware-Aware Quantization Agent for Streamlined Deployment of LLMs
从比特到芯片：一种基于LLM的硬件感知量化代理，用于简化LLM的部署
机构 * The University of Arizona（亚利桑那大学） ； Clemson University（克莱姆森大学） ； University of Georgia（佐治亚大学） ； The University of Tulsa（塔尔萨大学） ； Northeastern University（东北大学） ； Western Digital Corporation（西部数据公司）
AI总结 本文提出HAQA，一种基于LLM的自动化框架，通过高效超参数调优和硬件配置，简化LLM的量化和部署流程，提升部署质量和易用性，实验显示推理速度提升2.3倍，吞吐量和精度均有提升。
Informatics for Food Processing
食品加工的信息化
机构 * Channing Division of Network Medicine, Department of Medicine, Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里格姆妇女医院医学系钱宁网络医学部） ； Network Science Institute and Department of Physics, Northeastern University（东北大学网络科学研究所与物理系） ； Harvard Data Science Initiative, Harvard University（哈佛大学哈佛数据科学计划）
AI总结 本文探讨了食品加工的演变、分类及健康影响，提出利用机器学习和数据科学改进食品信息化，通过FoodProX模型和BERT等模型实现食品分类与评估。
